利用MPEG-4视频流的运动目标检测

提出了一种基于MPEG-4压缩域运动目标检测算法.该算法直接在压缩码流中获取运动矢量,利用迭代滤波器的良好特性,尽可能还原真实运动矢量信息,并采用自适应阈值选取法的运动矢量标识出运动区域.在此基础上,计算滑动窗口内八邻域直流(DC)系数与中心块DC系数之差的模,根据选定的阈值来判断中心块的运动特征,然后扩展运动区域,计算新区域中背景块的平均DC系数,并与边缘块做差值计算,进而调整边缘块.算法充分利用了MPEG-4码流中蕴含的运动信息,克服了仅由运动矢量检测运动目标存在误差太大的缺点,适用于计算机数字视频技术领域.实验结果表明,所提算法不需要对压缩流完全解码,可大大提高检测效率,改善检测效果,对不同视频序列具有良好的普适性,特别是在光强、亮度等因素的影响下依然保持良好的鲁棒性.     

序列图像目标跟踪的神经网络算法

针对序列图像目标跟踪问题，在提取图像特征点的基础上，提出了一种最优化算法，该算法将序列图像目标跟踪问题转化为相信两帧图像特征点间的匹配问题。文中根据匹配问题的各种限制条件给出代价函数，并利用Ｈｏｐｆｉｅｌｄ神经网络最优化计算功能来求取该代价函数的局部极小值。其中神经元的状态用以表示相邻两帧图像特征点间的匹配关系。神经元间的权连结用以反映地应特征点间的匹配程序。也就是说，本文针对序列黑种人希目标跟踪     

运动目标的快速检测与跟踪算法研究

传统的模板匹配算法精度虽高,但运算量大、效率较低。本文结合了帧差法以及多分辨率图像匹配的优点对模板匹配算法进行改进,并通过引入“预测”机制改变初始搜索点,减少了匹配区域,提高了运算速度,满足了实时处理要求。同时,采用了一种根据灰度特征进行模式匹配的跟踪算法,提高了模板匹配法对于目标运动姿态变化的自适应能力。仿真结果表明:上述算法在目标方向、平移、旋转以及图像背景、对比度、亮度发生改变时,均能较好的检测到目标。     

基于粒子滤波的目标跟踪算法

随着当前计算机性能的不断提高,粒子滤波算法日益受到人们的关注,因为其在非线性、非高斯系统和状态滤波等方面具有独到的优势,也被广泛应用到运动目标跟踪研究当中。     

结合运动矢量的分权快速压缩跟踪算法

针对跟踪过程中目标移动过快产生跟踪漂移问题,提出一种结合超像素运动矢量的候选目标位置搜寻策略;在跟踪框架内分块提取特征并根据区域分配置信权值,弱化跟踪框架内边缘背景对分类结果的干扰,提高分类器分类鲁棒性;针对当目标出现严重遮挡时,分类器仍对正负样本特征进行学习而导致的学习不准确问题,提出增加目标遮挡检测机制,避免错误分类,有效解决目标遮挡问题。实验结果表明：提出的算法与当前先进目标跟踪算法相比,效果较好,克服目标快速移动、目标形变、复杂背景干扰、目标遮挡、光线变化等一系列挑战性的跟踪难点,实现目标长时间有效跟踪的同时,跟踪效率满足实时性的要求。     

基于图像处理的运动目标跟踪系统

本文详细介绍了基于图像处理的智能目标跟踪系统的实现步骤.本系统通过图像识别、机器视觉等技术判断物体进入监视区域,计算出物体的移动速度和移动方向,根据检测的数据控制监视设备随着物体的移动而调整,从而达到智能跟踪物体的目的.     

基于特征值的运动目标快速检测与跟踪

通过分析视频序列图像的灰度特征,结合背景减法目标检测的优点,提出了一种静止摄像机条件下基于特征值快速检测与跟踪目标的方法。实验结果表明,该方法能快速有效地识别目标,达到了实时检测与跟踪的要求。     

多运动目标探测标记及跟踪

针对跟踪系统对多目标跟踪以及对实时性的要求,给出了一种基于中心点和面积特征匹配的多运动目标探测标记及跟踪方法．该方法利用对多运动目标检测后的二值图像进行了连通成分标记,提出了一种新的探测搜索标记法,赋予不同连通区域不同的数字来区分,通过四连通区域法来实现．由运动目标的4个顶点来确定中心点,通过面积及中心点距离从而进一步去匹配,最后根据标记结果在原图像中准确地框定了各运动目标,从而实现对运动目标的跟踪．采用上述算法,对车辆视频进行了跟踪,取得了较好的实验结果,跟踪实验结果验证了该方法具有很好的实时性．     

视频序列中基于特征匹配的目标跟踪方法

视频序列中运动目标的跟踪是智能视频监控领域中的一项重要问题,目标跟踪就是建立视频序列的不同帧中目标的对应关系。针对现有方法目标特征信息考虑不足的缺陷,提出一种基于特征匹配的目标跟踪方法。实验结果表明,所提方法在实时性的前提下,可以实现运动目标的准确跟踪。     

基于交通视频序列的多运动目标跟踪算法

针对智能交通领域对自适应多运动目标跟踪的广泛需求,提出一种新型的基于交通视频序列的多目标跟踪算法。通过Marr小波概率核函数生成静态背景,并结合当前帧在B/RDWT(Binary/redundant discrete wavelet transforms)域进行多运动目标识别,同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用SI_P(SIFT-particle)粒子滤波算法,并结合改进的均值漂移(mean-shift)法获得运动目标的准确跟踪窗口。采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低运算的复杂度。算法采用VC++6.0实现,通过实际道路测试,研究结果表明:SI_P粒子滤波算法与传统算法相比,平均时耗只多0.15s,跟踪窗口尺度可自适应变化,并且该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。     

基于对象跟踪的视频分割

镜头是视频检索的基本单位,是摄像机在某一个地点附近或相邻的地点连续拍摄的内容．镜头时间由摄像机的开关机动作决定,具有连续拍摄的场景和较为连续的情节．几乎所有的视频分析和应用都是在镜头的基础上进行的．镜头的切换有两种：突变切换和渐变切换．突变是指从一个镜头直接切变到另一个镜头;而渐变是根据视频编辑手法的不同可以分为几种：     

快速离散余弦变换算法在MP3编码中的实现

在MP3编码中,子带分析滤波器是最主要的模块之一.根据MPEG标准算法,该模块的运算量约占了MP3编码总运算量的25%,而子带分析滤波算法最核心的部分就是离散余弦变换.提出了一个适合在DSP上实现的快速离散余弦变换算法,算法在保证精度的前提下,减少了运算量和存储量.     

基于SURF的目标跟踪算法

为了改善运动目标在跟踪中的实时性问题,提出了一种基于SURF算子的目标跟踪算法。通过对SURF特征点集进行描述快速确定目标位置,实验表明该方法是一种简洁有效的目标跟踪识别方法。同时针对目标运动过程中短时间的遮挡问题,提出了一种目标遮挡检测机制,为目标遮挡的处理提供了一种途径。     

基于动静背景下的视频对象自适应提取算法

在MPEG-4标准中提出了VOP(Video Object Planes)的概念,可以通过VOP实现基于内容的操作。这样,从场景中自动地分割出视频对象就成为基于对象视频编码的先决条件。为此,提出一种基于动静背景下的视频对象自适应提取算法。该算法可以自动提取动态背景、静态背景,也可以在视频序列中出现背景和对象都停止变化时实现视频对象的提取。同时,该算法引入了视频前景和背景预处理,克服了由于视频图像对比度低造成的提取出的部分视频对象轮廓不完整的问题。     

基于TMS6201的MPEG-4视频解码器的设计

该文介绍了 MPEG- 4解码器软硬件平台的设计方案 ,此解码器有很好的灵活性 ,便于按不同的应用对象扩展或修改算法 .     

Adaptive Delayed Acknowledgement Algorithm for MPEG-4 Traffic in UWB Networks

Introduction While the market for fixed and wired personal com-puters is tending to stagnate,mobile computing is re-ceiving more and more attention.A wide variety ofmobile computing devices have emerged includingpalmtops,personal digital assistants,and po…     

HDTV视频编码器的场景切换

当图象序列的帧与帧之间发生场景切换时,会影响视频编码器的编码质量．为提高高清晰度电视（ＨＤＴＶ）的视频编码器的编码质量,针对其采用的国际标准ＭＰＥＧ－２中ＧＯＰ的结构,提出按场景切换对齐的一种新的ＧＯＰ格式．软件模拟结果显示,ＭＳＥ值明显缩小,ＳＮＲ提高了３ｄＢ,效果较好．     

MPEG-2视频通信中一种自适应错误隐藏算法

利用视频图像在时间上和空间上的相关性对错误进行隐藏是图像通信中特有的错误恢复措施．针对ＭＰＥＧ－２视频通信,分析了基于空间的错误隐藏、无运动补偿的时间隐藏和有运动补偿的时间隐藏等各种错误隐藏措施的特点及其适应范围,提出了基于图像编码帧类型（Ｉ,Ｐ,Ｂ）和帧间预测误差的自适应错误隐藏算法,它不需要对编码器作任何改动,也不需要传送额外的码字,在图像通信中具有通用性．同时,该算法计算量少,实现简单．仿真结果表明,其错误隐藏效果显著,特别适合场景切换时的错误隐藏     

一种新的MPEG-2 VBR视频场景切换判别法

提出了一种新的ＭＰＥＧ－２ＶＢＲ视频场景切换判别法,此判别法表明,相邻编码帧宏块条码率的频域互相关能够有效反映图像活动性及变化的特点,以此为判决准则,将频域互相关的结果与自适应门限进行比较,可以准确地判断出活动图像场景发生切换的位置及其帧类型,具有实现简单,计算量少的优点,可以满足实时应用。     

一种具有目标匹配约束的加权多示例学习视频目标跟踪算法

以多示例学习(Multiple Instance Learning,MIL)目标跟踪方法为代表,基于自适应辨别模型的视频目标跟踪算法近年来得到广泛重视,这些算法用分类器对图像进行处理,将使分类器置信最大的采样样本作为当前帧的跟踪结果.在此基础上,基于加权多示例学习(Weighted Multiple Instance Learning,WMIL)的目标跟踪算法提出在分类器学习阶段对正样本进行重要性采样,加大正包内正样本的贡献,达到更好的跟踪效果.然而,当前一帧输出结果不准确时,会使得分类器学习性能下降,从而引起目标漂移或跟踪失败.本文基于WMIL算法,提出用目标匹配约束预判断当前帧是否存在目标漂移,从而对下一帧采样中心位置进行矫正,达到抑制目标漂移以及避免跟踪失败的效果.仿真结果表明,本算法在标准视频测试集上都取得了较优的结果.